Miért vezetnek továbbra is a zárt AI-modellek a nyílt modelleknél?

A zárt modelleké a használat és a bevétel nagy része

Az MIT Initiative on the Digital Economy oldalán 2026. szeptember 23-án megjelent írásban Irving Wladawsky-Berger, az intézet digitális ösztöndíjasa azt vizsgálja, miért maradnak le az örökbefogadásban a nyílt forrású és nyílt súlyú modellek a zárt rendszerek mögött. Elemzését az MIT kutatója és a Microsoft vezető közgazdásza, Frank Nagle, valamint az AI-iparág szereplőinek megállapításaira építi.

Nagle és a Georgia Tech professzora, Daniel Yue átfogó adathalmaz alapján vizsgálta az AI-modellek használatát, árait és teljesítményét. Eredményeik szerint a zárt modellek a modellhasználat körülbelül 80 százalékát, a bevételeknek pedig 96 százalékát adják. Átlagosan hatszor többe kerülnek nyílt versenytársaiknál, miközben a nyílt modellek rendszerint a zárt modellek teljesítményének legalább 90 százalékát elérik.

A kutatás szerint az új zárt modellek megjelenése után a nyílt modellek általában néhány hónapon belül a teljesítménykülönbség jelentős részét is ledolgozzák. Ennek ellenére egy másik, a Decagon társalapítója és vezérigazgatója, Jesse Zhang által jegyzett elemzés szerint a nyílt modellek részesedése a vállalati nagy nyelvi modellköltésből 19 százalékról 11 százalékra csökkent egy év alatt.

A fejlesztés elején a legokosabb modell számít

Zhang szerint az ellentmondás a vállalati AI-alkalmazások életciklusával magyarázható. Egy új felhasználási eset kialakításakor a vállalat még nem ismeri pontosan a problémát, a bemenetek eloszlását, az elvárt viselkedést és a lehetséges hibákat. Ebben a szakaszban a legnagyobb képességű, általános célú, úgynevezett határmodellek rugalmassága fontosabb lehet a költségnél.

Az MIT által ismertetett modell szerint a folyamat négy lépésből áll: kísérletezés, tanulás, specializáció és felskálázás. A kísérleti szakaszban a vállalatok azt keresik, mire használható az AI, mely alkalmazások teremtenek valódi értéket, és hogyan kell átalakítaniuk a munkafolyamatokat. Ez indokolhatja, hogy prémiumot fizessenek egy zárt modell széles körű intelligenciájáért.

Amikor az alkalmazás már kiforrott és nagy léptékben működik, megváltoznak a szempontok. A sebesség, a késleltetés, a testreszabhatóság, az irányítás és a költség egyre fontosabbá válik. Ilyenkor egy kisebb, feladatra szabott nyílt modell vonzóbb lehet az általános célú modellnél.

A nyílt modellek előnye a testreszabás lehet

Zhang a Decagon ügyfélszolgálati beszélgetésekhez fejlesztett AI-ügynökeinek példáját hozza fel. A vállalat munkafolyamatainak nagyjából 90 százaléka nyílt modelleken fut. Állítása szerint ennek elsődleges oka nem a költség, és nem is az ügyfelek kérése, hanem az, hogy az alkalmazáshoz más megoldás nem volt megfelelő.

Az ügyfélszolgálatnál jól meghatározott munkafolyamatok, nagy beszélgetési volumen és szigorú minőségi elvárások vannak. A késleltetés különösen fontos: Zhang szerint egy olyan beszélgetést, amelyben minden válaszra 8 másodpercet kell várni, senki sem használna termékként. Ez kisebb és gyorsabb modelleket tesz szükségessé.

A kisebb modellek azonban jelentős testreszabás nélkül általában nem teljesítik a vállalati minőségi követelményeket. A Decagon vezetője szerint pontos feladatra végzett intenzív finomhangolással válhatnak alkalmassá. Az elemzés alapján ebben rejlik a nyílt súlyú modellek egyik fontos előnye, mivel a legjobb zárt modellek nem feltétlenül finomhangolhatók a szükséges módon, a kisebb zárt modellek pedig nem alakíthatók szabadon.

Az MIT írása szerint a zárt modellek jelenlegi fölénye ezért nem feltétlenül jelenti a nyílt modellek vereségét. Inkább arra utalhat, hogy a vállalati AI még a fejlődési görbe elején jár. A zárt modellek a felfedezésben és kísérletezésben lehetnek erősek, míg a nyílt modellek a már jól értett, nagy volumenű és erősen specializált alkalmazásoknál kaphatnak nagyobb szerepet.